CN110598726A - 一种基于随机森林的输电杆塔鸟害风险预测方法 - Google Patents
一种基于随机森林的输电杆塔鸟害风险预测方法 Download PDFInfo
- Publication number
- CN110598726A CN110598726A CN201910641745.9A CN201910641745A CN110598726A CN 110598726 A CN110598726 A CN 110598726A CN 201910641745 A CN201910641745 A CN 201910641745A CN 110598726 A CN110598726 A CN 110598726A
- Authority
- CN
- China
- Prior art keywords
- bird damage
- random forest
- data
- bird
- tower
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000007637 random forest analysis Methods 0.000 title claims abstract description 58
- 230000005540 biological transmission Effects 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000012360 testing method Methods 0.000 claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000003066 decision tree Methods 0.000 claims description 30
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 13
- 238000013508 migration Methods 0.000 claims description 11
- 230000005012 migration Effects 0.000 claims description 11
- 239000012212 insulator Substances 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 10
- 238000010801 machine learning Methods 0.000 abstract description 3
- 238000001914 filtration Methods 0.000 abstract description 2
- 230000002265 prevention Effects 0.000 description 8
- 238000007689 inspection Methods 0.000 description 3
- 241000607479 Yersinia pestis Species 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于随机森林的输电杆塔鸟害风险预测方法，包括：收集输电杆塔鸟害历史数据，构建原始数据集；结合鸟害历史数据，划分鸟害风险等级，得到样本集；对样本集中的鸟害数据进行预处理，得到训练集和测试集；初始化随机森林分类器；利用随机森林算法对训练集中的鸟害数据进行训练，生成随机森林分类模型；确定输电杆塔鸟害风险等级；本发明采用机器学习中的随机森林算法对输电杆塔鸟害风险等级进行预测，能够很好的处理高维数据，无需进行特征过滤，训练过程可高度并行化，对大样本数据训练表现的非常友好，模型训练速度快，不易过拟合，无需像层次分析法一样需要进行复杂的数学运算，可以减少主观赋权带来的偏差，提高求解精度。
Description
技术领域
本发明涉及机器学习的技术领域，具体涉及一种基于随机森林(Random Forest)的输电杆塔鸟害风险预测方法。
背景技术
近几年来，因鸟害引起的输电线路故障频繁发生，例如鸟害引起的线路跳闸断电故障成为输电网的主要故障之一。现有的鸟害防治和监测多依赖人工巡检，盲目性大，防鸟不及时，防鸟效果不明显。鸟害因为其种类多，数量大，分布广，变化快，易受地理气候影响，电力运维人员很难及时有效的掌握鸟害状况，浪费巨大人力物力，却难有较好的防治效果；鸟害在影响人们正常生活的同时也造成了巨大的经济损失。因此，如何对输电线路鸟害等级做出准确的评估，指导电力部门有效的进行防鸟装置的安装、充分发挥各类防鸟装置的利用效率，成为电力部门关注的重点。
目前相关专家和学者主要利用层次分析法建立鸟害风险等级评估模型，但是传统的层次分析法在建立模型时存在一些缺陷，例如在构造判断矩阵时很难一次性的构造出满足一致性要求的判断矩阵，往往需要进行大量的数据修改，需要耗费大量的时间，其次层次分析法在分析问题时，定性成分多，主观性强，分析结果不易令人信服。因此，如何提供一种简单有效且精确更高的输电杆塔鸟害等级评估方法是目前急需解决的问题。
发明内容
本发明的目的是提供一种基于随机森林的输电杆塔鸟害风险预测方法，可以准确的预测杆塔的鸟害风险等级，从而指导线路巡检、防鸟装置的安装。
为实现上述目的，本发明所提供的技术方案为：
一种基于随机森林的输电杆塔鸟害风险预测方法，包括以下步骤：
步骤1，收集输电杆塔鸟害历史数据，构建原始数据集；
步骤2，结合鸟害历史数据，划分鸟害风险等级，得到样本集；
步骤3，对样本集中的鸟害数据进行预处理，得到训练集和测试集；
步骤4，初始化随机森林分类器；
步骤5，利用随机森林算法对训练集中的鸟害数据进行训练，生成随机森林分类模型；
步骤6，输入待预测杆塔数据，利用随机森林分类模型进行分类，得到鸟害风险等级。
进一步地，所述收集输电杆塔鸟害历史数据，构建原始数据集，包括：
收集历年输电样线故障杆塔鸟害数据，具体包含杆塔类型、导线排列方式、绝缘子类型、电压等级、季节、故障发生次数、是否近水域、近农田、近森林、近鸟类迁徙通道；是否近水域、近农田、近森林、近鸟类迁徙通道依据杆塔与相应地理环境之间的距离判断。
进一步地，结合鸟害历史数据，划分鸟害风险等级，包括：
统计杆塔在指定年限内鸟害故障发生次数，根据鸟害故障发生次数划定鸟害风险等级，级别越高，杆塔发生鸟害故障的可能性越大。
进一步地，所述的对原始数据集中的数据进行预处理，得到训练集和测试集，包括：
首先，对收集到的鸟害数据进行特征提取，选取杆塔类型、导线排列方式、绝缘子类型、电压等级、季节、是否近水域、近农田、近森林、近鸟类迁徙通道作为样本特征，选取鸟害风险等级作为分类标签；
然后，将预处理后的鸟害历史数据按照某一比例划分为训练集和测试集。
进一步地，所述的初始化随机森林分类器，包括：
首先，设置bagging框架的参数，具体包含弱学习器的最大迭代次数、是否对样本集进行有放回抽样来构建树、是否采用袋外样本来评估模型的好坏；
然后，设置决策树参数，具体包含构建决策树模型时考虑的最大特征数、决策树最大深度、不纯度的衡量指标。
进一步地，所述的利用随机森林算法对训练集中的数据进行训练，生成随机森林分类模型，包括：
步骤5.1,采用bagging集成算法从样本集中随机抽取m个样本；
步骤5.2,从所有特征d中随机选择k个特征(k<d)，然后从k个特征中选择最佳分割属性作为节点建立CART决策树；
步骤5.3,重复以上两个步骤n次，建立n棵CART决策树，形成随机森林分类模型。
进一步地，所述的输入待预测杆塔数据，利用随机森林分类模型进行分类，得到鸟害风险等级，包括：
将待测杆塔的参数输入到训练好的随机森林分类模型中，随机森林中的每棵决策树都会给出该杆塔的鸟害风险等级，随机森林依据少数服从多数的原则，将得票多的鸟害等级输出为最终预测的结果，从而高精度的完成输电杆塔鸟害风险等级的预测。
本发明具有以下技术特点：
1.本发明采用机器学习中的随机森林算法对输电杆塔鸟害风险等级进行预测，随机森林算法能够很好的处理高维数据，无需进行特征过滤，训练过程可高度并行化，对大样本数据训练表现的非常友好，模型训练速度快，不易过拟合，无需像层次分析法一样需要进行复杂的数学运算。
2.本发明利用随机森林算法结合历史鸟害数据进行建模，可以减少主观赋权带来的偏差，提高求解精度。
3.与现有技术相比，本发明具有通用性强、复杂度低、精度更高、计算简单等优点，可以有效的指导电网相关人员进行鸟害的预防和治理。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的服务作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明方法的整体流程示意图；
图2为随机森林中的一棵决策树。
具体实施方式
下面结合具体实施例对本发明作进一步说明：
如图1所示，一种基于随机森林的输电杆塔鸟害风险预测方法，包括以下步骤：
步骤1，收集输电杆塔鸟害历史数据，构建原始数据集。
本实施例中，收集近五年来输电样线所有故障杆塔的鸟害数据，包含杆塔类型、导线排列方式、绝缘子类型、电压等级、季节、故障发生次数、是否近水域、近农田、近森林、近鸟类迁徙通道，具体地：
杆塔类型包括直线型、耐张型；导线排列方式包括水平排列、三角排列、垂直排列；绝缘子串类型包括直线串、V型串；电压等级包括110kV、220kV、550kV；季节包括春季、夏季、秋季、冬季；是否近水域、近农田、近森林、近鸟类迁徙通道则依据杆塔与相应地理环境之间的距离判断，判断标准如下表1所示：
表1杆塔与各地理环境之间的距离关系表
其中，d为距离，n代表杆塔不在该地理环境附近，y代表杆塔在该地理环境附近。
步骤2，结合鸟害历史数据，划分鸟害风险等级，得到样本集。
该步骤中，设某杆塔五年内发生的鸟害故障次数为N次，当N>＝12时判定鸟害风险等级为4级，8<＝N<12时判定为3级，4<＝N<8时判断为2级，0<＝N<4时判断为1级，分别代表极高风险、高风险、中等风险、低风险。按照上述规则，对原始数据集中各杆塔的鸟害风险等级进行划分，得到样本集中部分样本示例如下表所示：
表2样本集中的数据示例
| num | gt | dt | jt | vt | water | farm | forest | channel | season | total | level |
| 1 | z | s | z | 220 | y | n | n | y | d | 22 | 4 |
| 2 | n | a | z | 550 | y | n | y | n | x | 10 | 3 |
| 3 | n | c | v | 110 | n | n | y | n | c | 4 | 2 |
| 4 | n | c | v | 550 | n | n | n | n | q | 2 | 1 |
其中，num为杆塔编号；gt为杆塔类型，值为z时，代表直线型，为n时代表耐张型；dt为导线排列方式，值为s时代表水平排列，为a时代表三角排列，为c时代表垂直排列；jt为绝缘子串类型，值为z时代表直线串，为v时代表v型串；vt为电压等级；water、farm、forest、channel分别代表水域、农田、森林、鸟类迁徙通道；season代表季节，值为c时代表春季，为x时代表夏季，为q时代表秋季，为d时代表冬季；total为近五年发生的鸟害故障数；level为鸟害风险等级。
步骤3，对样本集中的鸟害数据进行预处理，得到训练集和测试集；
首先，对样本集中的鸟害数据进行特征提取，选取杆塔类型、导线排列方式、绝缘子类型、电压等级、季节、是否近水域、近农田、近森林、近鸟类迁徙通道作为样本特征，选取鸟害风险等级作为分类标签；
然后，将预处理后的鸟害历史数据按照某一分割比例划分为训练集和测试集，训练集用于训练数据，得到多棵决策树，组成随机森林分类模型，测试集用于测试模型的预测准确率；本实施例中，设置分割比例为0.2，即80％的历史鸟害数据用于模型的训练，其余数据用作测试。
步骤4，初始化随机森林分类器；
首先，设置bagging框架的参数，具体包含弱学习器的最大迭代次数、是否对样本集进行有放回抽样来构建树、是否采用袋外样本来评估模型的好坏；
本实施例中，设置n_estimators＝150，即弱学习器的最大迭代次数为150，生成150棵决策树组成随机森林；设置bootstrap＝true，即采用可放回抽样的方式获取子样本集。其余参数取默认值。
然后，设置决策树参数，具体包含构建决策树模型时考虑的最大特征数、决策树最大深度、不纯度的衡量指标；
本实施例中，设置criterion＝gini，即设置生成决策树时所采用的最佳分割属性的判决方法为gini，用基尼系数来计算节点的不纯度，其它参数取默认值，基尼系数的计算公式为：
其中D代表给定节点，i代表标签的任意分类，代表标签i在节点t上所占的比例。
步骤5，利用随机森林算法对训练集中的鸟害数据进行训练，生成随机森林分类模型；
步骤5.1,采用bagging集成算法从训练集中随机抽取m个样本；
本实例中，假设训练集中共有m个样本，从训练集中使用bootstrap方法随机抽取m个训练样本，组成一个新的训练集。
步骤5.2,从所有特征d中随机选择k个特征(k<d)，然后从k个特征中选择最佳分割属性作为节点建立CART决策树；
本实例中，共有杆塔类型、导线排列方式、绝缘子类型、电压等级、故障发生次数、水域、农田、森林、鸟类迁徙通道9个特征，在建立决策树时，随机选择k个特征(k<9)，然后从k个特征中选择最佳分割属性作为节点建立CART决策树；
步骤5.3,重复以上两个步骤150次，建立150棵CART决策树，形成随机森林分类模型；
本实施例中，CART决策树的生成就是递归地构建二叉决策树的过程。CART用基尼(Gini)系数最小化准则来进行特征选择，生成二叉树，图2为随机森林分类模型中的一棵决策树。
步骤6，确定输电杆塔鸟害等级，根据鸟害等级指导线路巡检、防鸟装置的安装。
将待测杆塔的参数输入到训练好的随机森林分类模型中，随机森林中的每棵决策树都会给出该杆塔的鸟害风险等级，随机森林依据少数服从多数的原则，将得票多的鸟害等级输出为最终预测的结果，从而高精度的完成输电杆塔鸟害风险等级的预测。
本实施例中，随机选取测试集中的某一杆塔进行鸟害风险等级预测，该杆塔的为直线型杆塔，导线排列方式为水平排列，绝缘子串型为V型串，电压等级为220kV，临近农田和森林，将上述数据输入到随机森林分类模型中，得到鸟害风险等级为3级，根据统计资料，该杆塔近五年共发生11次鸟害，与预测结果相同。
以上所述之实施例子只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。
Claims (7)
1.一种基于随机森林的输电杆塔鸟害风险预测方法，包括以下步骤：
步骤1，收集输电杆塔鸟害历史数据，构建原始数据集；
步骤2，结合鸟害历史数据，划分鸟害风险等级，得到样本集；
步骤3，对样本集中的鸟害数据进行预处理，得到训练集和测试集；
步骤4，初始化随机森林分类器；
步骤5，利用随机森林算法对训练集中的鸟害数据进行训练，生成随机森林分类模型；
步骤6，输入待预测杆塔数据，利用随机森林分类模型进行分类，得到鸟害风险等级。
2.如权利要求1所述的一种基于随机森林的输电杆塔鸟害风险预测方法，其特征在于，所述的收集输电杆塔鸟害历史数据，构建原始数据集，包括：
收集历年输电样线故障杆塔鸟害数据，具体包含杆塔类型、导线排列方式、绝缘子类型、电压等级、故障发生次数、季节、是否近水域、近农田、近森林、近鸟类迁徙通道；是否近水域、近农田、近森林、近鸟类迁徙通道依据杆塔与相应地理环境之间的距离判断。
3.如权利要求1所述的一种基于随机森林的输电杆塔鸟害风险预测方法，其特征在于，所述的结合鸟害历史数据，划分鸟害风险等级，包括：
统计杆塔在指定年限内鸟害故障发生次数，根据鸟害故障发生频率划分鸟害风险等级，频率越高，杆塔发生鸟害故障的可能性越大。
4.如权利要求1所述的一种基于随机森林的输电杆塔鸟害风险预测方法，其特征在于，所述的对原始数据集中的数据进行预处理，得到训练集和测试集，包括：
首先，对收集到的鸟害数据进行特征提取，选取杆塔类型、导线排列方式、绝缘子类型、电压等级、季节、是否近水域、近农田、近森林、近鸟类迁徙通道作为样本特征，选取鸟害风险等级作为分类标签；
然后，将预处理后的鸟害历史数据按照某一分割比例划分为训练集和测试集，训练集用于训练数据，得到多棵决策树，组成随机森林分类模型，测试集用于测试模型的预测准确率。
5.如权利要求1所述的一种基于随机森林的输电杆塔鸟害风险预测方法，其特征在于，所述的初始化随机森林分类器，包括：
首先，设置bagging框架的参数，具体包含弱学习器的最大迭代次数、是否对样本集进行有放回抽样来构建树、是否采用袋外样本来评估模型的好坏；
然后，设置决策树参数，具体包含构建决策树模型时考虑的最大特征数、决策树最大深度、不纯度的衡量指标。
6.如权利要求1所述的一种基于随机森林的输电杆塔鸟害风险预测方法，其特征在于，所述的利用随机森林算法对训练集中的数据进行训练，生成随机森林分类模型，包括：
步骤5.1,采用bagging集成算法从样本集中随机抽取m个样本；
步骤5.2,从所有特征d中随机选择k个特征(k<d)，然后从k个特征中选择最佳分割属性作为节点建立CART决策树；
步骤5.3,重复以上两个步骤n次，建立n棵CART决策树，形成随机森林分类模型。
7.如权利要求1所述的一种基于随机森林的输电杆塔鸟害风险预测方法，其特征在于，所述的输入待预测杆塔数据，利用随机森林分类模型进行分类，得到鸟害风险等级，包括：
将待测杆塔的参数输入到训练好的随机森林分类模型中，随机森林中的每棵决策树都会给出该杆塔的鸟害风险等级，随机森林模型依据少数服从多数的原则，将得票多的鸟害等级输出为最终预测的结果，从而高精度的完成输电杆塔鸟害风险等级的预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910641745.9A CN110598726A (zh) | 2019-07-16 | 2019-07-16 | 一种基于随机森林的输电杆塔鸟害风险预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910641745.9A CN110598726A (zh) | 2019-07-16 | 2019-07-16 | 一种基于随机森林的输电杆塔鸟害风险预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110598726A true CN110598726A (zh) | 2019-12-20 |
Family
ID=68852788
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910641745.9A Pending CN110598726A (zh) | 2019-07-16 | 2019-07-16 | 一种基于随机森林的输电杆塔鸟害风险预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110598726A (zh) |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111738478A (zh) * | 2019-12-24 | 2020-10-02 | 上海海事大学 | 基于随机森林算法和Adam神经网络波浪补偿预测方法 |
| CN111768389A (zh) * | 2020-07-01 | 2020-10-13 | 武汉楚精灵医疗科技有限公司 | 基于卷积神经网络和随机森林的消化道操作自动计时方法 |
| CN111860947A (zh) * | 2020-06-11 | 2020-10-30 | 广东电网有限责任公司 | 一种基于bp神经网络的输电杆塔鸟害发生概率预测方法 |
| CN111860945A (zh) * | 2020-06-10 | 2020-10-30 | 广东电网有限责任公司 | 一种基于多源数据的输电线路鸟类分布预测方法 |
| CN112101789A (zh) * | 2020-09-16 | 2020-12-18 | 清华大学合肥公共安全研究院 | 一种基于人工智能的水污染报警等级识别方法 |
| CN113076672A (zh) * | 2021-04-08 | 2021-07-06 | 江苏省送变电有限公司 | 基于改进ssd的复合绝缘子鸟啄缺陷风险等级评估方法 |
| CN113156529A (zh) * | 2021-05-07 | 2021-07-23 | 广东电网有限责任公司计量中心 | 计量检定流水线的启停控制方法、系统、终端和存储介质 |
| CN113267710A (zh) * | 2021-06-29 | 2021-08-17 | 广东电网有限责任公司 | 输电线路鸟害监测方法、装置、设备及存储介质 |
| CN113392826A (zh) * | 2021-06-18 | 2021-09-14 | 广东工业大学 | 一种基于多模型融合Stacked的害鸟密度分布预测方法 |
| CN113470819A (zh) * | 2021-07-23 | 2021-10-01 | 湖南工商大学 | 基于随机森林的非平衡小样本压疮不良事件早期预测方法 |
| CN115345031A (zh) * | 2022-10-17 | 2022-11-15 | 国网江西省电力有限公司电力科学研究院 | 一种变电站防鸟方案智能辅助模拟系统及模拟方法 |
| CN115619078A (zh) * | 2022-10-25 | 2023-01-17 | 广东工业大学 | 一种变电站内小动物危害风险等级预测方法及装置 |
| CN115982534A (zh) * | 2023-03-18 | 2023-04-18 | 湖北一方科技发展有限责任公司 | 一种江河水文监测数据的处理方法 |
| CN116257761A (zh) * | 2023-05-15 | 2023-06-13 | 北谷电子股份有限公司 | 杆塔故障概率预测模型的训练方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102393879A (zh) * | 2011-07-21 | 2012-03-28 | 广东电网公司佛山供电局 | 电网鸟害分布图的绘制方法及装置 |
| CN103745224A (zh) * | 2013-12-24 | 2014-04-23 | 西南交通大学 | 基于图像的铁路接触网鸟窝异常情况检测方法 |
| CN105023283A (zh) * | 2015-06-24 | 2015-11-04 | 云南电网有限责任公司电力科学研究院 | 基于冬候鸟迁徙路径及生境的电网鸟害图绘制方法及系统 |
| CN108197782A (zh) * | 2017-12-19 | 2018-06-22 | 国网江西省电力有限公司电力科学研究院 | 一种输电线路鸟害风险等级评估方法 |
-
2019
- 2019-07-16 CN CN201910641745.9A patent/CN110598726A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102393879A (zh) * | 2011-07-21 | 2012-03-28 | 广东电网公司佛山供电局 | 电网鸟害分布图的绘制方法及装置 |
| CN103745224A (zh) * | 2013-12-24 | 2014-04-23 | 西南交通大学 | 基于图像的铁路接触网鸟窝异常情况检测方法 |
| CN105023283A (zh) * | 2015-06-24 | 2015-11-04 | 云南电网有限责任公司电力科学研究院 | 基于冬候鸟迁徙路径及生境的电网鸟害图绘制方法及系统 |
| CN108197782A (zh) * | 2017-12-19 | 2018-06-22 | 国网江西省电力有限公司电力科学研究院 | 一种输电线路鸟害风险等级评估方法 |
Non-Patent Citations (2)
| Title |
|---|
| 乐明明: "数据挖掘分类算法的研究和应用", 《中国优秀硕士学位论文全文数据库》 * |
| 陈小志: "输电线路鸟害预警模型及系统的设计与实现", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111738478A (zh) * | 2019-12-24 | 2020-10-02 | 上海海事大学 | 基于随机森林算法和Adam神经网络波浪补偿预测方法 |
| CN111860945A (zh) * | 2020-06-10 | 2020-10-30 | 广东电网有限责任公司 | 一种基于多源数据的输电线路鸟类分布预测方法 |
| CN111860947B (zh) * | 2020-06-11 | 2023-01-24 | 广东电网有限责任公司 | 一种基于bp神经网络的输电杆塔鸟害发生概率预测方法 |
| CN111860947A (zh) * | 2020-06-11 | 2020-10-30 | 广东电网有限责任公司 | 一种基于bp神经网络的输电杆塔鸟害发生概率预测方法 |
| CN111768389A (zh) * | 2020-07-01 | 2020-10-13 | 武汉楚精灵医疗科技有限公司 | 基于卷积神经网络和随机森林的消化道操作自动计时方法 |
| CN112101789A (zh) * | 2020-09-16 | 2020-12-18 | 清华大学合肥公共安全研究院 | 一种基于人工智能的水污染报警等级识别方法 |
| CN113076672A (zh) * | 2021-04-08 | 2021-07-06 | 江苏省送变电有限公司 | 基于改进ssd的复合绝缘子鸟啄缺陷风险等级评估方法 |
| CN113076672B (zh) * | 2021-04-08 | 2024-02-02 | 江苏省送变电有限公司 | 基于改进ssd的复合绝缘子鸟啄缺陷风险等级评估方法 |
| CN113156529A (zh) * | 2021-05-07 | 2021-07-23 | 广东电网有限责任公司计量中心 | 计量检定流水线的启停控制方法、系统、终端和存储介质 |
| CN113392826A (zh) * | 2021-06-18 | 2021-09-14 | 广东工业大学 | 一种基于多模型融合Stacked的害鸟密度分布预测方法 |
| CN113267710A (zh) * | 2021-06-29 | 2021-08-17 | 广东电网有限责任公司 | 输电线路鸟害监测方法、装置、设备及存储介质 |
| CN113470819A (zh) * | 2021-07-23 | 2021-10-01 | 湖南工商大学 | 基于随机森林的非平衡小样本压疮不良事件早期预测方法 |
| CN115345031A (zh) * | 2022-10-17 | 2022-11-15 | 国网江西省电力有限公司电力科学研究院 | 一种变电站防鸟方案智能辅助模拟系统及模拟方法 |
| CN115345031B (zh) * | 2022-10-17 | 2022-12-20 | 国网江西省电力有限公司电力科学研究院 | 一种变电站防鸟方案智能辅助模拟系统及模拟方法 |
| CN115619078A (zh) * | 2022-10-25 | 2023-01-17 | 广东工业大学 | 一种变电站内小动物危害风险等级预测方法及装置 |
| CN115619078B (zh) * | 2022-10-25 | 2023-06-02 | 广东工业大学 | 一种变电站内小动物危害风险等级预测方法及装置 |
| CN115982534A (zh) * | 2023-03-18 | 2023-04-18 | 湖北一方科技发展有限责任公司 | 一种江河水文监测数据的处理方法 |
| CN116257761A (zh) * | 2023-05-15 | 2023-06-13 | 北谷电子股份有限公司 | 杆塔故障概率预测模型的训练方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110598726A (zh) | 一种基于随机森林的输电杆塔鸟害风险预测方法 | |
| CN110570122B (zh) | 一种计及风速季节特性及集电系统元件故障的海上风电场可靠性评估方法 | |
| CN112287018B (zh) | 一种台风灾害下10kV杆塔受损风险评估方法及系统 | |
| CN104809658B (zh) | 一种低压配网台区线损的快速分析方法 | |
| CN111680820B (zh) | 分布式光伏电站故障诊断方法和装置 | |
| CN111582700B (zh) | 一种配电网设备故障率计算方法 | |
| CN113496311A (zh) | 光伏电站发电功率预测方法及系统 | |
| CN112016175B (zh) | 一种基于树状层次聚类的供水管网测压点优化布置方法 | |
| CN110378549B (zh) | 一种基于fahp-熵权法的输电杆塔鸟害等级评估方法 | |
| CN111210075B (zh) | 一种基于组合分类器的雷击输电线路故障概率分析方法 | |
| CN104123682A (zh) | 一种基于气象影响因素的配网故障风险评估方法 | |
| CN104657822A (zh) | 一种基于风险评估结果的电力系统灾害预警分级方法及系统 | |
| CN108011367A (zh) | 一种基于深度决策树算法的电力负荷特性挖掘方法 | |
| CN113011084B (zh) | 基于相关向量机的输电线路故障原因智能辨识方法 | |
| CN110889565B (zh) | 一种基于多维矩阵决策的配网巡检周期计算方法 | |
| CN113379116A (zh) | 基于聚类和卷积神经网络的台区线损预测方法 | |
| CN111144637A (zh) | 基于机器学习的区域电网地质灾害预报模型构建方法 | |
| CN116432123A (zh) | 一种基于cart决策树算法的电能表故障预警方法 | |
| CN112668821A (zh) | 一种基于风沙区域绝缘子故障概率的配电线路风险分析方法 | |
| CN111461921A (zh) | 一种基于机器学习的负荷建模典型用户数据库更新方法 | |
| CN112613684B (zh) | 一种基于配网故障预测的特殊差异化运维方法 | |
| CN116663393A (zh) | 一种基于随机森林的配电网持续高温下故障风险等级预测方法 | |
| CN116415724A (zh) | 一种光伏电站运维检修时间的预测方法及装置 | |
| CN116151799A (zh) | 一种基于bp神经网络的配电线路多工况故障率快速评估方法 | |
| CN113408656B (zh) | 一种适用于由气象变化引起电力故障级别分类方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191220 |